使用OpenCV怎么实现轮廓检测-创新互联
使用OpenCV怎么实现轮廓检测?相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。
为上高等地区用户提供了全套网页设计制作服务,及上高网站建设行业解决方案。主营业务为成都做网站、网站制作、上高网站设计,以传统方式定制建设网站,并提供域名空间备案等一条龙服务,秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求,就会得到认可,从而选择与我们长期合作。这样,我们也可以走得更远!轮廓概述
轮廓可以简单认为成将连续的点(连着边界)连在一起的曲线,具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。
为了更加准确,要使用二值化图像。在寻找轮廓之前,要进行阈值化处理或者 Canny 边界检测。
查找轮廓的函数会修改原始图像。如果你在找到轮廓之后还想使用原始图像的话,你应该将原始图像存储到其他变量中。
在 OpenCV 中,查找轮廓就像在黑色背景中超白色物体,要找的物体应该是白色而背景应该是黑色。
轮廓检测的作用:
1.可以检测图图像或者视频中物体的轮廓
2.计算多边形边界,形状逼近和计算感兴趣区域
先看一个较为简单的轮廓检测:
import cv2 import numpy as np # 创建一个200*200的黑色空白图像 img = np.zeros((200, 200), dtype=np.uint8) # 利用numpy数组在切片上赋值的功能放置一个白色方块 img[50:150, 50:150] = 255 # 对图像进行二值化操作 # threshold(src, thresh, maxval, type, dst=None) # src是输入数组,thresh是阈值的具体值,maxval是type取THRESH_BINARY或者THRESH_BINARY_INV时的大值 # type有5种类型,这里取0: THRESH_BINARY ,当前点值大于阈值时,取maxval,也就是前一个参数,否则设为0 # 该函数第一个返回值是阈值的值,第二个是阈值化后的图像 ret, thresh = cv2.threshold(img, 127, 255, 0) # findContours()有三个参数:输入图像,层次类型和轮廓逼近方法 # 该函数会修改原图像,建议使用img.copy()作为输入 # 由函数返回的层次树很重要,cv2.RETR_TREE会得到图像中轮廓的整体层次结构,以此来建立轮廓之间的‘关系'。 # 如果只想得到最外面的轮廓,可以使用cv2.RETE_EXTERNAL。这样可以消除轮廓中其他的轮廓,也就是大的集合 # 该函数有三个返回值:修改后的图像,图像的轮廓,它们的层次 image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) img = cv2.drawContours(color, contours, -1, (0, 255, 0), 2) cv2.imshow("contours", color) cv2.waitKey() cv2.destroyAllWindows()
上面是找到一个正方形的轮廓,下面看如何找到不规则的多边形轮廓:
import cv2 import numpy as np # pyrDown():brief Blurs an image and downsamples it. # 将图像高斯平滑,然后进行降采样 img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED)) # 依然是二值化操作 ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY) # 计算图像的轮廓 image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for c in contours: # find bounding box coordinates # 先计算出一个简单的边界狂,也就是一个矩形啦 # 就是将轮廓信息转换为(x,y)坐标,并加上矩形的高度和宽度 x, y, w, h = cv2.boundingRect(c) # 画出该矩形 cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # find minimum area # 然后计算包围目标的最小矩形区域 # 这里先计算出最小矩形区域,然后计算区域的顶点,此时顶点坐标是浮点型,但是像素坐标是整数 # 需要将浮点型转换成矩形 rect = cv2.minAreaRect(c) box = cv2.boxPoints(rect) box = np.int0(box) # draw contours # 画出最小矩形 # drawContours()也会修改源图像 # 第二个参数保存轮廓的数组,也就是保存着很多轮廓 # 第三个参数是要绘制的轮廓数组的索引:-1是绘制所有的轮廓,否则只绘制[box]中指定的轮廓 # 颜色和thickness(密度,就是粗细)放在最后两个参数 cv2.drawContours(img, [box], 0, (0, 0, 255), 3) # calculate center and radius of minimum enclosing circle # 最后检查的边界轮廓为最小闭圆 # minEnclosingCircle()会返回一个二元数组,第一个是圆心坐标组成的元祖,第二个元素是元的半径 (x, y), radius = cv2.minEnclosingCircle(c) # cast to integers center = (int(x), int(y)) radius = int(radius) # draw the circle img = cv2.circle(img, center, radius, (255, 0, 0), 3) # 绘制轮廓 cv2.drawContours(img, contours, -1, (255, 0, 0), 1) cv2.imshow("contours", img) cv2.waitKey() cv2.destroyAllWindows()
凸轮廓与Douglas-Peucker算法
import cv2 import numpy as np img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED)) ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY) # 创建与源图像一样大小的矩阵 black = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR) image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: # 得到轮廓的周长作为参考 epsilon = 0.01 * cv2.arcLength(cnt,True) # approxPolyDP()用来计算近似的多边形框。有三个参数 # cnt为轮廓,epsilon为ε——表示源轮廓与近似多边形的大差值,越小越接近 # 第三个是布尔标记,用来表示这个多边形是否闭合 approx = cv2.approxPolyDP(cnt,epsilon,True) # convexHull()可以从轮廓获取凸形状 hull = cv2.convexHull(cnt) # 源图像轮廓-绿色 cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2) # 近似多边形-蓝色 cv2.drawContours(black, [approx], -1, (255, 0, 0), 2) # 凸包-红色 cv2.drawContours(black, [hull], -1, (0, 0, 255), 2) cv2.imshow("hull", black) cv2.waitKey() cv2.destroyAllWindows()
本来也有疑问,有了一个精确的轮廓,为什么还需要一个近似的多边形?
书中给出答案,近似多边形是由一组直线构成,这样可以便于后续的操作和处理。
想来也是,直线构成的区域总是比无限个曲率的曲线构成的区域方便处理。
直线和圆检测
直线检测可以通过HoughLinesP函数完成,HoughLinesP是标准Hough变换经过优化,使用概率Hough变换。
import cv2 import numpy as np img = cv2.imread('lines.jpg') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray,50,120) # 最小直线长度,小于该长度会被消除 minLineLength = 20 # 大线段间隙,一条直线的间隙长度大于这个值会被认为是两条直线 maxLineGap = 5 # HoughLinesP()会接受一个由Canny边缘检测滤波器处理过的单通道二值图像 # 不一定需要Canny滤波器,但是输入是去噪且只有边缘的图像,效果会很好 # 第一个参数是输入图像 # 第二、第三个参数是线段的几何表示rho和theta,一般取1和np.pi/180 # 第四个参数是阈值,低于该阈值的直线会被忽略 # 第五第六已经解释 lines = cv2.HoughLinesP(edges,1,np.pi/180,20,minLineLength,maxLineGap) for x1,y1,x2,y2 in lines[0]: cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2) cv2.imshow("edges", edges) cv2.imshow("lines", img) cv2.waitKey() cv2.destroyAllWindows()
圆检测可以通过HoughCircles函数检测。
import cv2 import numpy as np planets = cv2.imread('planet_glow.jpg') gray_img = cv2.cvtColor(planets, cv2.COLOR_BGR2GRAY) img = cv2.medianBlur(gray_img, 5) cimg = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) # 与直线检测类似,需要圆心距的最小距离和圆的最小以及大半径 circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,120,param1=100,param2=30,minRadius=0,maxRadius=0) circles = np.uint16(np.around(circles)) for i in circles[0,:]: # draw the outer circle cv2.circle(planets,(i[0],i[1]),i[2],(0,255,0),2) # draw the center of the circle cv2.circle(planets,(i[0],i[1]),2,(0,0,255),3) cv2.imwrite("planets_circles.jpg", planets) cv2.imshow("HoughCirlces", planets) cv2.waitKey() cv2.destroyAllWindows()
看完上述内容,你们掌握使用OpenCV怎么实现轮廓检测的方法了吗?如果还想学到更多技能或想了解更多相关内容,欢迎关注创新互联成都网站设计公司行业资讯频道,感谢各位的阅读!
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
本文标题:使用OpenCV怎么实现轮廓检测-创新互联
本文URL:http://myzitong.com/article/coghcj.html